![Paso 6: La imagen a continuación ha sido levemente editada y
corresponde al informe de sensibilidad. Por ejemplo, el parámetro que
actualmente acompaña a X en la función objetivo es 200, sin embargo, si
este valor varía entre [120,240] se conservará la actual solución óptima.
En cuanto a las restricciones podemos decir, por ejemplo, que si el lado
derecho de la segunda restricción (actualmente este lado derecho es igual
a 110) aumenta a 120, es nuevo valor óptimo será V(P)=6.620 + 10*10
=6.720, es decir, el valor óptimo aumentará en forma proporcional al
precio sombra de dicha restricción. Se recomienda revisar la sección de
Análisis de Sensibilidad para reforzar estos conceptos.](https://image.slidesharecdn.com/programacionlineal-180917173335/85/Programacion-lineal-21-320.jpg)
Programacion lineal
- 1. PROFESORA: Ing. Carlena Astudillo INTEGRANTES: Camauta, Luis C.I: 25.268.562 Ramos, Ivan C.I: 21.178.630 Zapata, Leidimar C.I: 25.321.820 El Tigre, Septiembre de 2018
- 3. El Modelo de Programación Lineal, es una representación simbólica de la realidad que se estudia, o del problema que se va a solucionar. Se forma con expresiones de lógicas matemáticas, conteniendo términos que significan contribuciones: a la utilidad (con máximo) o al costo (con mínimo) en la Función Objetivo del modelo. Y al consumo de recursos disponibles (con desigualdades = ó = e igualdades =) en las restricciones. Modelos Matemáticos de Programación Lineal de: Maximización: cuando se desea maximizar o incrementar las utilidades, producción, ventas, beneficios, rentabilidad, publicidad, etc. Minimización: cuando se desea minimizar o disminuir los costos, perdidas, paradas, desperdicios, distancias, tiempos inoperativos, etc.
- 4. Es un procedimiento de solución de problemas de programación lineal, muy limitado en cuanto al número de variables (2 si es un gráfico 2D y 3 si es 3D) pero muy rico en materia de interpretación de resultados e incluso análisis de sensibilidad. El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas X1, X2 para tratar de identificar el área de soluciones factibles (soluciones que cumplen con todas las restricciones).
- 5. es un algoritmo de resolución para modelos de Programación Lineal desarrollado por George Dantzig en el año 1947. Como todo algoritmo cuenta con un proceso iterativo que secuencialmente a través de pasos o iteraciones va aproximando el valor óptimo del problema lineal en caso de existir este último. El Método Simplex es un método iterativo que permite ir mejorando la solución en cada paso. La razón matemática de esta mejora radica en que el método consiste en caminar del vértice de un poliedro a un vértice vecino de manera que aumente o disminuya (según el contexto de la función objetivo, sea maximizar o minimizar), dado que el número de vértices que presenta un poliedro solución es finito siempre se hallará solución.
- 6. Esta estrategia algorítmica se aplica cuando luego de llevar un modelo de programación lineal a su forma estándar no se dispone de una solución básica factible inicial. Fase 1: Consideramos un problema auxiliar que resulta de agregar tantas variables auxiliares a las restricciones del problema, de modo de obtener una solución básica factible. Luego se debe resolver utilizando el Método Simplex un nuevo problema que considera como función objetivo la suma de las variables auxiliares. Si el valor óptimo alcanzado al finalizar la Fase 1 es cero ir a la Fase 2. En caso contrario, no existe solución factible. Fase 2: Resolver a través del Método Simplex el problema original a partir de la solución básica factible inicial hallada en la Fase1.
- 7. El método simplex dual resulta ser una estrategia algorítmica eficiente cuando luego de llevar un modelo de programación lineal a su forma estándar, la aplicación del método simplex no es inmediata o más bien compleja, por ejemplo, puede requerir la utilización del método simplex de 2 fases. Una aplicación típica del método simplex dual es en la resolución de problemas con una función objetivo de minimización, con restricciones del tipo mayor o igual y donde las variables de decisión son mayores o iguales a cero.
- 8. La dualidad en programación lineal provee de resultados teóricos interesantes que justifican su uso como herramienta alternativa y complementaria de resolución. La dualidad permite realizar importantes interpretaciones económicas de los problemas de programación lineal.
- 9. El análisis de sensibilidad o postoptimal para los modelos de Programación Lineal, tiene por objetivo identificar el impacto que resulta en los resultados del problema original luego de determinadas variaciones en los parámetros, variables o restricciones del modelo, sin que esto pase por resolver el problema nuevamente. Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método Simplex, lo que se busca es que estas variaciones o sensibilidad hagan uso de la solución y valor óptimo actual, sin tener la necesidad de resolver para cada variación un nuevo problema.
- 10. El complemento Solver de Excel (que también esta disponible en una versión Premium de Prueba) es una excelente herramienta para quienes se inician en la resolución de modelos de Investigación Operativa por tener una interfaz amigable, permite resolver aplicaciones estudiantiles (en cuanto al tamaño del modelo) y esta disponible como un complemento del software Excel. Ingrese a la sección Solver de Excel para interiorizarse en cuanto a su uso. Para hacer uso de Solver se debe activar este complemento y este procedimiento varía dependiendo si se esta utilizando Office 2003 o Office 2007.
- 11. INSTALACIÓN SOLVER DE EXCEL UTILIZANDO MICROSOFT OFFICE 2007 Paso 1: Seleccione el botón Office en la esquina superior izquierda. Paso 2: Seleccione Opciones de Excel.
- 12. Paso 3: En el menú de la izquierda debe seleccionar Complementos y luego presionar el botón Ir
- 13. Paso 4: Marque la opción Solver y luego seleccione Aceptar.
- 14. Paso 5: Probablemente se le pediría autorización para instalar el complemento. Seleccione Sí. Paso 6: Si la instalación ha resultado satisfactoria el complemento Solver deberá estar disponible en la sección Datos de Excel.
- 15. Para ejemplificar respecto al uso de Solver utilizaremos el siguiente modelo de Programación Lineal:
- 16. Paso 1: Abrir una planilla de cálculo de Excel y definir las variables de decisión y la función objetivo. En este ejemplo se han marcado con amarillo y verde las variables de decisión y función objetivo respectivamente sólo para facilitar la comprensión. Es importante notar que la función objetivo (celda F4) será siempre una fórmula que depende de los parámetros de la función objetivo (celdas B5, C5, D5) y las variables de decisión (B4, C4, D4)
- 17. Paso 2: Se definen las restricciones del modelo. La columna en amarillo bajo el titulo "Lado Izq" es una fórmula de los parámetros y las variables de decisión en las respectivas restricciones. Por ejemplo, la fórmula incorporada en E9 es simplemente: 15X + 7,5Y + 5Z. La celda F9 es el lado derecho de dicha restricción y corresponde a una constante (315).
- 18. Paso 3: Ingresamos a la Opción Solver (Ver Instalacion Solver de Excel). Luego definimos la celda objetivo (función objetivo), el valor que buscamos (máximización o minimización), las celdas que deseamos cambiar (variables de decisión) y las restricciones. Para nuestro ejemplo está será la pantalla que se debe obtener:
- 19. Paso 4: Accedemos a "Opciones..." y seleccionamos "Adoptar modelo lineal"y "Adoptar no negativos". Finalmente seleccionamos "Aceptar" y luego "Resolver".
- 20. Paso 5: Si el proceso se ha desarrollado en forma correcta la planilla de cálculo se actualizará y se obtendrán los siguientes resultados. Solución Óptima: X=4, Y=10, Z=36. Valor Óptimo: V(P)=6.620. Se recomienda requerir el informe de sensibilidad tal como se muestra en la imagen de abajo.
- 21. Paso 6: La imagen a continuación ha sido levemente editada y corresponde al informe de sensibilidad. Por ejemplo, el parámetro que actualmente acompaña a X en la función objetivo es 200, sin embargo, si este valor varía entre [120,240] se conservará la actual solución óptima. En cuanto a las restricciones podemos decir, por ejemplo, que si el lado derecho de la segunda restricción (actualmente este lado derecho es igual a 110) aumenta a 120, es nuevo valor óptimo será V(P)=6.620 + 10*10 =6.720, es decir, el valor óptimo aumentará en forma proporcional al precio sombra de dicha restricción. Se recomienda revisar la sección de Análisis de Sensibilidad para reforzar estos conceptos.
- 23. Los modelos de Programación Entera se pueden clasificar en 2 grandes áreas: Mixta (PEM): A esta categoría pertenecen aquellos problemas de optimización que consideran variables de decisión enteras o binarias pero no de forma exclusiva. Pura (PEP): En esta categoría encontramos aquellos modelos de Programación Entera que consideran exclusivamente variables de decisión que adoptan valores enteros o binarios Es aquel cuya solución óptima tiene sentido solamente si una parte o todas las variables de decisión toman valores restringidos a números enteros, permitiendo incorporar en el modelamiento matemático algunos aspectos que quedan fuera del alcance de los modelos de Programación Lineal.
- 24. El método de Branch and Bound (en español Ramificación y Acotamiento) aborda la resolución de modelos de programación entera a través de la resolución de una secuencia de modelos de programación lineal que constituirán los nodos o subproblemas del problema entero. Si bien el procedimiento es extensible a un número mayor de variables, para efectos prácticos ilustraremos su aplicación para modelos de programación entera en 2 variables.
- 26. Un modelo de Programación No Lineal (PNL) es aquel donde las variables de decisión se expresan como funciones no lineales ya sea en la función objetivo y/o restricciones de un modelo de optimización. Esta característica particular de los modelos no lineales permite abordar problemas donde existen economías o deseconomías de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen.
- 27. En este sentido el método del gradiente (conocido también como método de Cauchy o del descenso más pronunciado) consiste en un algortimo específico para la resolución de modelos de PNL sin restricciones, perteneciente a la categoría de algoritmos generales de descenso, donde la búsqueda de un mínimo esta asociado a la resolución secuencial de una serie de problemas unidimensionales.
- 28. El método de multiplicadores de Lagrange (el cual es generalizado por las condiciones de optimalidad de Karush-Kuhn-Tucker) permite abordar la resolución de modelos de programación no lineal que consideran restricciones de igualdad. En este sentido y como resulta natural, el dominio de soluciones factibles considerará exclusivamente aquellas soluciones que permiten verificar el cumplimiento de la igualdad de dichas restricciones. Por el contrario, un problema de optimización que considera inecuaciones como restricciones, sólo requiere que éstas se cumplan y no necesariamente se deberá forzar el cumplimiento de ellas en igualdad (activas).
- 29. Básicamente el procedimiento consiste en resolver el problema no lineal como uno sin restricciones, luego si la solución óptima de dicho problema no cumple la totalidad o parte de las restricciones del problema se activan dichas restricciones (en conjunto y/o secuencialmente) y se resuelve nuevamente. Esto se repite hasta llegar a un conjunto de restricciones activas cuya solución también satisface las restricciones omitidas. Notar que si se han activado la totalidad de restricciones sin encontrar una solución factible, entonces el problema es infactible. No existe una única forma de abordar la resolución de un problema de programación no lineal utilizando el teorema de KKT. Consideraremos la aplicación de este teorema en este caso para problemas sólo con restricciones "<=" (menor o igual). Si el problema tiene restricciones ">=" éstas se pueden transformar por "<=" multiplicando por -1.
- 30. El método o algoritmo de Frank Wolfe fue propuesto en 1956 por Marguerite Frank y Philip Wolfe y se aplica a problemas de optimización matemática con una función objetivo no lineal convexa y cuyo dominio de soluciones factibles esta compuesto exclusivamente por restricciones lineales, es decir, es un conjunto convexo (en consecuencia el problema es convexo).